CCAR-F: guida a Claude Certified Architect

Claude Certified Architect – Foundations (codice d’esame CCAR-F) è la certificazione con cui Anthropic verifica una cosa precisa: se sai scegliere fra alternative quando porti Claude in produzione. Non chiede di ripetere che cos’è un agente, chiede di dire quale loop, quale tool, quale prompt e quale strategia di contesto reggono in un sistema reale — e perché l’alternativa plausibile accanto è peggiore. La Exam Guide ufficiale (versione 1.0, in vigore da luglio 2026) è il documento autoritativo sul perimetro, ed è la fonte dei numeri che trovi qui sotto.

Cosa valida CCAR-F

L’esame copre quattro tecnologie insieme: Claude Code, il Claude Agent SDK, la Claude API e il Model Context Protocol (MCP). Anthropic le definisce le tecnologie centrali con cui si costruiscono applicazioni Claude di livello produttivo, e la prova le mette in relazione invece di interrogarle una per una: si parte da un sintomo di produzione — il 12% delle conversazioni risponde su un ordine mai consultato, la review automatica di una pull request da 14 file dà giudizi contraddittori — e si chiede la correzione architetturale giusta.

Ecco i dati d’esame, così come sono pubblicati:

Tre righe meritano una nota. La soglia 720 è pubblicata da Anthropic — non è una convenzione dedotta da terzi — ed è la stessa per tutte e quattro le certificazioni Claude. La validità di 12 mesi è la più corta fra i grandi vendor: il rinnovo prima della scadenza è gratuito e passa da un assessment online non proctored sull’Anthropic Partner Academy, mentre una certificazione lasciata scadere si riconquista solo risostenendo l’esame intero a prezzo pieno. Il prezzo di 125 USD è quello di listino: gli sconti seguono il livello della tua azienda nel Claude Partner Network e vengono applicati automaticamente al checkout.

A chi si rivolge

Il candidato ideale descritto da Anthropic è un solution architect che progetta e implementa applicazioni Claude in produzione, con almeno 6 mesi di pratica reale su API, Agent SDK, Claude Code e MCP. In concreto: qualcuno che ha già orchestrato più agenti e delegato a subagent, configurato Claude Code per un team con file CLAUDE.md e Agent Skills, disegnato interfacce di tool MCP verso sistemi di backend, scritto prompt che producono output strutturato affidabile, gestito la finestra di contesto su documenti lunghi e conversazioni multi-turno, e messo Claude dentro una pipeline di CI/CD.

Non ci sono prerequisiti formali. In particolare CCAR-F non è richiesto per iscriversi a Claude Certified Architect – Professional (CCAR-P): sono due esami separati, e Foundations non si converte né si aggiorna automaticamente in Professional. Resta comunque il punto di partenza naturale. Se vuoi confrontare le quattro certificazioni Claude prima di scegliere, parti dalla scheda CCAR-F su CertUp.

Come è fatta la prova: quattro scenari su sei

Questa è la caratteristica che rende CCAR-F diverso da quasi ogni altro esame IT. Le domande non arrivano isolate: ognuna è ancorata a uno scenario di produzione che ne inquadra un gruppo, e durante la sessione vengono presentati 4 scenari estratti a caso dai 6 pubblicati nella Exam Guide:

1. Customer Support Resolution Agent — un agente di assistenza costruito con l’Agent SDK, con tool MCP verso il backend (get_customer, lookup_order, process_refund, escalate_to_human) e un obiettivo dichiarato di risoluzione al primo contatto sopra l’80%.
2. Code Generation with Claude Code — Claude Code dentro il flusso di sviluppo, fra slash command personalizzati, configurazioni CLAUDE.md e la scelta fra plan mode ed esecuzione diretta.
3. Multi-Agent Research System — un coordinatore che delega a subagent specializzati (ricerca web, analisi dei documenti, sintesi, generazione del report) e deve produrre report citati.
4. Developer Productivity with Claude — un agente che esplora codebase sconosciute e sistemi legacy usando i tool integrati (Read, Write, Bash, Grep, Glob) e server MCP.
5. Claude Code for Continuous Integration — code review automatiche e generazione di test in pipeline, con prompt che devono ridurre i falsi positivi.
6. Structured Data Extraction — estrazione da documenti non strutturati, validata con schemi JSON, che deve reggere i casi limite.

La conseguenza pratica è netta: studiare per definizioni non basta. E il fatto che gli scenari siano pubblicati è un vantaggio che conviene sfruttare — sono sei contesti noti in anticipo, e su ciascuno puoi preparare la mappa delle decisioni tipiche prima ancora di leggere la domanda.

I concetti trasversali

Alcune idee tornano in tutti e cinque i domini, e sbagliarle costa in più punti della prova:

• Il loop agentico si guida con stop_reason, non col testo. Si continua finché vale tool_use e si esce su end_turn; una singola risposta può contenere più blocchi tool_use, e vanno eseguiti tutti restituendo i tool_result corrispondenti. Gli anti-pattern citati esplicitamente dalla Exam Guide sono leggere segnali in linguaggio naturale per decidere quando fermarsi e usare un tetto arbitrario di iterazioni come meccanismo di arresto principale.
• Enforcement programmatico contro enforcement per prompt. Quando una regola di business non deve mai essere violata, si impone con un hook o un gate che blocca la chiamata, non con una frase nel prompt.
• Gli errori dei tool sono un’interfaccia. Risposte d’errore strutturate, con categoria (transiente, di validazione, di permesso) e un flag di ritentabilità, sono ciò che permette all’agente di ritentare o di spiegare, invece di inventare.
• L’output strutturato si ottiene con tool_use e uno schema JSON, non chiedendo gentilmente il JSON nel testo; i campi nullable servono a lasciare un posto al «non lo so» invece di indurre un’allucinazione.
• Contesto più grande non è contesto migliore. Estrarre fatti strutturati dagli output verbosi, delegare l’esplorazione a subagent e ordinare gli input in modo consapevole valgono più di un modello con finestra più ampia.
• Il risparmio ha un prezzo in latenza. La Message Batches API taglia il costo del 50%, ma con tempi di elaborazione fino a 24 ore: va bene per un report notturno, non per un controllo bloccante prima di un merge.

I cinque domini d’esame

I pesi che seguono sono quelli del blueprint ufficiale e sommano a 100.

Dominio 1 — Agentic Architecture & Orchestration (27%)

Il dominio più pesante, e non di poco. Progettare loop agentici per l’esecuzione autonoma, orchestrare sistemi multi-agente con pattern coordinatore-subagent, configurare invocazione dei subagent, passaggio di contesto e spawning, costruire workflow multi-step con enforcement e handoff, applicare gli hook dell’Agent SDK per intercettare le chiamate ai tool e normalizzare i dati, scomporre compiti complessi, gestire stato di sessione, ripresa e fork.

Dominio 2 — Tool Design & MCP Integration (18%)

Progettare interfacce di tool con descrizioni e confini chiari — il caso difficile è differenziare due tool simili perché il modello scelga quello giusto su una richiesta ambigua — implementare risposte d’errore strutturate per i tool MCP, distribuire i tool fra gli agenti e configurare tool_choice, integrare server MCP in Claude Code e nei workflow agentici, e usare bene i tool integrati.

Dominio 3 — Claude Code Configuration & Workflows (20%)

Configurare CLAUDE.md con gerarchia, ambito e organizzazione modulare, creare slash command e skill personalizzate, applicare regole per percorso con i file in .claude/rules/ e i loro pattern glob, decidere fra plan mode ed esecuzione diretta, raffinare in modo iterativo e integrare Claude Code in CI/CD — dove la modalità non interattiva è il flag -p.

Dominio 4 — Prompt Engineering & Structured Output (20%)

Scrivere prompt con criteri espliciti per alzare la precisione e ridurre i falsi positivi, usare il few-shot per stabilizzare il formato quando istruzioni sempre più dettagliate non bastano, imporre l’output strutturato con tool use e schemi JSON, costruire cicli di validazione e retry, progettare batch efficienti e architetture di review multi-passata.

Dominio 5 — Context Management & Reliability (15%)

Conservare l’informazione critica lungo interazioni lunghe, progettare escalation e risoluzione dell’ambiguità, propagare gli errori in un sistema multi-agente, gestire il contesto nell’esplorazione di codebase grandi, disegnare workflow di revisione umana con calibrazione della confidenza, e mantenere la provenienza delle informazioni quando si sintetizzano più fonti.

Vale la pena leggere anche l’elenco di ciò che resta fuori perimetro: niente fine-tuning, niente autenticazione o billing dell’API, niente deploy di server MCP, niente computer use o analisi di immagini, niente streaming, niente conteggio dei token. È un esame di architettura, non di infrastruttura.

Come prepararsi

Anthropic suggerisce un percorso dichiaratamente pratico, ed è un buon ordine:

1. Costruisci un agente con l’Agent SDK con loop completo, gestione degli errori e delle sessioni, e prova a far nascere subagent passando loro il contesto.
2. Configura Claude Code su un progetto vero: gerarchia di CLAUDE.md, regole per percorso in .claude/rules/, una skill personalizzata, almeno un server MCP collegato.
3. Progetta e collauda tool MCP: scrivi descrizioni che distinguano tool simili e verifica la selezione su richieste ambigue.
4. Costruisci una pipeline di estrazione strutturata con schemi JSON, ciclo di validazione e retry, e lavorazione a batch.
5. Allena escalation e revisione umana: quando l’agente deve fermarsi e passare la mano, e come si instrada per livello di confidenza.

Sopra questo, due strumenti nostri. Il percorso di preparazione CCAR-F ricalca i cinque domini modulo per modulo, con i task statement della Exam Guide ripartiti uno a uno. Poi si passa alle domande: la simulazione CCAR-F su CertUp pesca da un banco di 100 domande e monta sessioni da 60 domande in 120 minuti con soglia 720/1000, gli stessi numeri dell’esame ufficiale. Due differenze da conoscere prima, perché contano: le nostre domande sono in inglese come all’esame reale mentre le spiegazioni sono in italiano, e soprattutto la nostra simulazione non raggruppa le domande sotto quattro scenari condivisi — ogni domanda porta con sé il proprio contesto di produzione, ma resta indipendente dalle altre. I formati invece coincidono: risposta singola e risposta multipla, come all’esame.

Un architetto che ha già costruito agenti con Claude arriva pronto con qualche settimana di studio mirato. Chi conosce l’API ma non ha mai messo in piedi un sistema multi-agente, o non ha mai configurato Claude Code per un team, dovrebbe prima accumulare quelle ore di pratica: sono esattamente le decisioni che l’esame interroga.

In sintesi

CCAR-F certifica che sai progettare con Claude sistemi che reggono la produzione: loop agentici corretti, tool che il modello riesce davvero a scegliere, configurazioni di Claude Code che un team può ereditare, prompt che producono output consumabile a valle e una gestione del contesto che non degrada dopo venti turni. Sessanta domande, 120 minuti, soglia 720 su 1.000, 125 USD, solo inglese, valida 12 mesi. È un esame giovane su una tecnologia che si muove in fretta: prima di prenotare riapri la Exam Guide dalla pagina ufficiale della certificazione, perché è quella a fare testo.